Gravite Değerlerinin Geri Yayılımlı Yapay Sinir Ağları ile Hesaplanması

İnsanoğlu var olduğu günden itibaren dünyanın şekli, yüzeyindekiler ve içindekiler hakkında bilgi edinmek için birçok araştırma yapmıştır. Tarih boyunca, Dünyanın şekli tepsi, yumurta vb. değişik nesnelere benzetilmiştir. Bilimsel ve teknik çalışmaların ışığında Dünyanın şeklinin matematiksel ve fiziksel olarak ifade edilebilen jeoid olduğu sonucuna varılmıştır. Jeoid belirlemede kullanılan yöntemlerden birisi de gravite değerleri ile jeoid belirleme yöntemidir. Bu çalışmanın amacı, Geri Yayılımlı Yapay Sinir Ağlarının (GYYSA) gravite değerlerinin hesaplanmasında kullanılabilirliğinin araştırılmasıdır. Amerika Birleşik Devletlerindeki 6 eyalette bulunan istasyonlardan elde edilen 23 adet yersel gravite değerlerinin GYYSA ve Global Jeopotansiyel Model (GJM) yardımıyla hesaplanması yapılacaktır.

The Estimation of Gravity Values by the Back Propagation Artificial Neural Networks

Since the days of mankind, many studies have been done to obtain information about the shape, surface, and the contents of the world. Throughout the history, the shape of the world is likened to objects like a tray and egg. In the light of scientific and technical studies, it is concluded that the shape of the Earth is geoid, which can be expressed mathematically and physically. One of the methods used for determining geoid is geoid determination method with gravity values. The objective of this study is to investigate the utility of the Back Propagation Artificial Neural Networks (BPANN) for the calculation of gravity values. 23 terrestrial gravity values obtained from the stations located in 6 states in the United States of America will be calculated with the use of BPANN and Global Geopotential Model (GGM).

PDF

___

Akçin H., 2001, Jeoit kavramı ve belirleme teknikleri üzerine bir inceleme, Niğde Üniversitesi Mühendislik Bilimleri Dergisi,4, 37-50.
Aşık, E., 2013, Lokal jeoit belirlemede yapay sinir ağları ve kriging yöntemlerinin karşılaştırılması, Yüksek lisans tezi, Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, Afyonkarahisar, 71.
Barthelmes F. 2013. Definition of functionals of the geopotential and their calculation from spherical harmonic models, Theory and formulas used by the calculation service of the International Centre for Global Earth Models (ICGEM). Scientific Technical Report (Revised Edition), STR09/02
Güllü, M., 2010b. Coordinate transformation by radial basis function neural network. Scientific Research and Essays, 5-5: 440-447.
Güllü, M., Yılmaz, İ., Yılmaz, M. and Turgut, B. 2011a. An alternative method for estimating densification point velocity based on back propagation artificial neural networks. Studia Geophysica et Geodaetica, 55: 73-86.
Güllü M., Yılmaz İ., Yılmaz M., Turgut B., 2011b, An alternative method for estimating densification point velocity based on back propagation artificial neural Networks, studia geophysica et geodatica, 55(1), 73-86.
Graupe, D., 2007. Principles of Artifical Neural Networks. World Scientific Publishing, Singapore.
Haykin, S,. 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall, Upper Saddle River, NJ.
Lippmann, R.P., 1987. An introduction to computing with neural nets. IEEE ASSP Magazine, 4: 4-22.
Tierra A., Dalazoana R., De Freitas S., 2008, Using an artificial neural network to improve the transformation of coordinates between classical geodetic reference frames, Computer and Geosciences, 34, 181-189.
Yılmaz İ., Güllü M., Yılmaz M., Dereli M.A., 2010, compass roses on the Book of Navigation (Kitab-ı Bahriye) Declination data source for geomagnetic field models, Physics of the earth and planetary ınteriors,182, 170-174.
İnternet Kaynakları
1- http://gis.utep.edu/PACES.html, 09.08.2016
2- http://icgem.gfz-potsdam.de/ICGEM, 25.08.2016